김진관(닷커넥터)

배움, 나눔, 성장을 추구하는 연결주의자

Categories

Tag Cloud

2022개정교육과정 AGI AI AIEd블룸분류법 AILiteracy AI글쓰기 AI기만 AI디지털기반교육혁신 AI리터러시 AI멘티 AI보조학습 AI성숙도모델 AI수업 AI시대 AI유도인지위축 AI윤리 AI음악 AI죄책감 AI지원 AI채점 AI챗봇 AI코딩 AI코딩에이전트 AI튜터 AI편향 AI프레임워크 AI한계 AI협업 Anthropic BrainRot CBCI CCT CHC이론 CSL ChatGPT DOK EFL FeedOMeter Felten GeminiAPI GenAI GenSRL HCI HEAI Hallucination IB Instructor-in-the-Loop K-12교육 LLM LSTM LearnYourWay OECD교수나침반 PLC RIF ResNet RoseFrame SDG4 SDT SRL Suno Taxonomy TriDENT T자형인재 UDL UX디자인 VerbalizedSampling Webb XAI cs교육 gamedev gesture-recognition human-in-the-loop mediapipe pedagogy_in_the_loop 개발자경험 개별화수업 개인화교육 게임 경제학모델 공동창작 공부법 과정중심평가 교과서 교사 교사연수 교사커뮤니티 교사효능감 교수법 교실혁명 교육 교육공학 교육변화 교육설계 교육용LLM 교육적취약성 교육정책 교육철학 교육평가 교육프레임워크 교육혁신 교육형평성 구조적다양성 구조적변화 권위 글로벌교육 금전적유인 기만행위 기술트렌드 기울기소실 내재화 논문리뷰 뇌기반학습 뇌신경과학 누적문화진화 대화설계 데이터믿음비대칭성 듀이 디자인교육 디지털교육 디지털기반아날로그수업 디지털도구 디지털리터러시 디지털스트레스 딥러닝 랑시에르 랜드마크 로즈프레임 리더십 마르자노 맞춤형학습 매슬로우 머신러닝 메타인지 모델불일치 모드붕괴 문화 문화적거리 미래교육 민주주의 바람직한어려움 바이브코딩 벤치마크 보편적학습설계 부스운영 분산된 창의성 블룸 분류법 블룸분류법 블룸분류체계 블룸택소노미 비판적AI리터러시 비판적이론 사고도구 사회적학습 상호작용주의 생성형 AI 생성형AI 선도교사 설명적변화 성찰 세컨드브레인 소크라테스식대화법 쇤 수업철학 숨은노동 스칸디나비아디자인 스캐폴딩 스크린리더 스토리리빙 시행착오 신경망 실용주의 심리적안전감 언어학습 에듀테크 연결주의 영어교육 외삽 웰빙 웹개발 웹앱 위르겐슈미트후버 윕앱 유사자동화 은닉마르코프모델 음악교육 의미론적지식 이미지생성 이중과정이론 이중부호화이론 이중처리이론 이해의환상 인간-AI복합편향 인간-AI상호작용 인간-AI협업 인간AI상호작용 인간중심AI 인공지능 인과성의환상 인과추론 인사이트 인지과학 인지발달 인지복잡성 인지부하 인지부하이론 인지연속체이론 인지이론 인지적정렬 인지증강 인지편향 자기결정성이론 자기조절학습 자기효능감 잔차연결 장기기억 적응형학습 전문가시스템 전문적학습공동체 전인교육 전형성편향 접근성 정책패러독스 정치교육 제미나이 조직문화 즉흥연주 격차 증명사진 지식 지식격차 지식의깊이 지적자율성 질적연구 집단 천재성 참여형AI 창의성 책리뷰 철학 총괄평가 코딩에이전트 타임머신 토이프로젝트 튜터링 파울루프레이리 페르소나 포용적디자인 프로그래밍교육 프로테제효과 프로토타이핑 프롬프트 프롬프트엔지니어링 피드백 피드백리터러시 하이브리드시스템 학교 학교문화 학문적엄격성 학습 학습과학 학습동기 학습문화 학습분석 학습전략 한나아렌트 해방적AI교육학 혁신 협업프로젝트 환각

3 분 소요

hits

AI 피드백과 인간 피드백은 학습 참여도에 어떤 차이를 가져올까?

“동일한 피드백이라도 누가 제공하느냐에 따라 학습자의 참여도와 평가가 달라진다.”

AI가 제공하는 피드백과 인간 조교가 제공하는 피드백의 효과를 비교했을 때, 학습 내용은 동일하더라도 피드백의 출처에 따라 학습자의 참여도에 큰 차이가 있다는 것을 밝혀냈습니다. 특히, 인간 조교로부터 피드백을 받는다고 인지한 학습자들이 AI 피드백을 받는다고 인지한 학습자들보다 학습에 더 많은 시간과 노력을 투자하는 경향을 보였습니다. 이는 교육 시스템 설계 시 피드백 출처의 중요성을 강조하며, 효과적인 하이브리드 교육 시스템 구축에 시사점을 던져줍니다.

1. 연구의 목적

본 연구는 AI가 교육 현장에서 점점 더 많이 활용됨에 따라, 학습자가 피드백의 출처를 어떻게 인식하는지가 학습 참여도에 미치는 영향을 분석하고자 합니다. 기존 연구들은 주로 지식 습득과 과제 수행 능력에 초점을 맞추었지만, 본 연구는 학습자의 노력, 참여도, 그리고 피드백에 대한 반응을 심층적으로 탐구하여 AI와 인간 피드백의 차이를 밝히는 것을 목표로 합니다. 특히, 피드백 내용이 동일할 때, 출처에 대한 인식이 학습자의 행동과 태도에 미치는 영향을 분리하여 분석함으로써, 효과적인 AI 기반 교육 도구 설계 및 통합 방안 모색에 기여하고자 합니다.

2. 연구의 방법

  • 연구 대상: Prolific 플랫폼을 통해 모집된 코딩 및 튜토리얼 학습에 관심 있는 성인 25명 (사전 설문조사를 통해 코딩 또는 튜토리얼 학습에 대한 관심이 없는 응답자는 제외)
  • 연구 기간: 단일 세션, 약 60분 소요
  • 연구 설계: 2x2 혼합 설계 (Between-subjects: 피드백 출처(AI vs. Human TA), Within-subjects: 피드백 유형(Technical vs. Creative))
  • 학습 환경: p5.js를 활용한 창의적 코딩 학습 웹 기반 플랫폼
  • 피드백: 동일한 LLM(Claude Sonnet 4)을 사용하여 생성된 기술적 피드백과 창의적 피드백 제공
  • 조작: 피드백 출처를 AI 또는 인간 TA로 속임. TA 조건에서는 2분 지연시간과 진행 표시줄을 추가하여 인간 리뷰를 시뮬레이션
  • 측정 도구:
    • 행동 측정: 모듈별 소요 시간, 코드 실행 빈도, 코드 라인 수, 참고 자료 확인 행동(클릭 이벤트), 시작 코드와의 차이
    • 인지 측정: 기술적/창의적 피드백에 대한 유용성 평가 (5점 Likert 척도), 피드백 영향 및 진실성, AI 태도(기술적/창의적 작업에 대한 신뢰), 학습 결과에 대한 사후 설문 조사

3. 주요 발견

(1) 피드백 출처에 따른 학습 참여도 차이

모듈별 학습 시간, 최종 프로젝트 코드 길이, 코드 실행 빈도를 나타내는 그래프

TA 조건의 참가자들이 AI 조건의 참가자들보다 색상 모듈에서 평균 11.9분 더 많은 시간을 사용했으며(t(23) = -3.68, p = .001, d = 1.56), 상호작용 모듈에서도 평균 7.5분 더 많은 시간을 사용했습니다(t(23) = -2.14, p = .043, d = 0.88). 이는 피드백 출처에 대한 인식이 학습 참여도에 상당한 영향을 미친다는 것을 시사합니다.

(2) 기술적 피드백과 창의적 피드백에 대한 평가

피드백 출처와 피드백 유형 간의 유의미한 상호작용은 발견되지 않았습니다(F(1, 23) = 0.95, p = .339). 참가자들은 기술적 피드백과 창의적 피드백을 유사하게 평가했으며(기술적: M = 4.23; 창의적: M = 4.16), 피드백 출처에 따른 차이도 나타나지 않았습니다.

(3) 피드백 평가 요인

AI 조건과 TA 조건에서 피드백 평점을 예측하는 요인을 보여주는 산점도

AI 조건에서는 AI에 대한 사전 신뢰도가 피드백 평점을 예측하는 주요 요인으로 나타났습니다(r = .847, p = .001). 반면, TA 조건에서는 피드백의 진실성이 피드백 평점을 예측하는 주요 요인으로 나타났습니다(r = .647, p = .012).

4. 결론 및 시사점

(1) 피드백 출처 인식의 중요성

본 연구는 피드백 내용이 동일하더라도 피드백 출처에 대한 인식이 학습자의 참여도와 평가에 영향을 미친다는 것을 밝혔습니다. 이는 AI 기반 교육 시스템 설계 시 피드백 출처를 신중하게 고려해야 함을 시사합니다.

(2) 사회적 존재감(Social Presence) 효과

TA 조건에서 학습 참여도가 더 높게 나타난 것은 사회적 존재감 이론으로 설명할 수 있습니다. 학습자들은 인간의 관심과 노력을 인지할 때 더 높은 동기 부여를 느끼고 학습에 더 적극적으로 참여하는 경향이 있습니다.

(3) 하이브리드 교육 시스템 설계

본 연구 결과는 AI 피드백이 높은 평가를 받더라도 인간 피드백만큼 학습 동기를 유발하지 못할 수 있다는 점을 강조합니다. 따라서 하이브리드 교육 시스템 설계 시 AI와 인간의 강점을 결합하여 학습 효과를 극대화하는 전략이 필요합니다.

5. 리뷰어의 ADD(+) One: 생각 더하기

(1) AI 피드백의 윤리적 고려

본 연구에서 TA 조건은 실제 인간 피드백이 아닌 시뮬레이션된 피드백을 제공했다는 점에서 윤리적인 고려가 필요합니다. 학습자에게 피드백 출처에 대한 투명성을 제공하고, AI 피드백의 한계를 명확히 인지시키는 것이 중요합니다.

(2) 맞춤형 피드백 전략

학습자의 AI에 대한 신뢰도와 피드백 진실성 인식이 학습 참여도에 미치는 영향이 다르다는 점을 고려하여, 개인별 맞춤형 피드백 전략을 개발할 필요가 있습니다. 예를 들어, AI에 대한 신뢰도가 낮은 학습자에게는 인간 조교의 피드백을 우선적으로 제공하거나, AI 피드백에 대한 추가적인 설명과 근거를 제시할 수 있습니다.

6. 추가 탐구 질문

  • 피드백 주기: 피드백 제공 빈도와 시기가 학습 참여도에 미치는 영향은 어떠한가?
  • 피드백 유형: 피드백의 구체성, 긍정적/부정적 어조, 감정 표현 등이 학습 효과에 미치는 영향은 어떠한가?
  • 학습자 특성: 학습자의 성별, 연령, 배경지식, 학습 스타일 등이 피드백 효과에 미치는 영향은 어떠한가?
<출처> Morris, C., & Maes, P. (2026). SameFeedback,DifferentSource:HowAIvs.HumanFeedbackShapesLearner Engagement. *CHI Conference on Human Factors in Computing Systems*, 1–7.

참고